Wie man mit KI erfolgreich ist: eine Restaurant-Analogie

In unserer jährlichen KI-Umfrage fragen wir die Teilnehmer, ob sie erfolgreich KI-Anwendungen entwickelt haben, die vom Unternehmen angenommen und genutzt werden. Im Jahr 2019/2020 war die Antwort erschreckend niedrig: nur 15 % der teilnehmenden Unternehmen hatten Erfolg. Das wirft natürlich die Frage auf: "Wie kommt es, dass wir mit KI so erfolglos sind?".

Dieser Blog beantwortet diese Frage, indem er feststellt, dass Erfolg nur dann möglich ist, wenn sowohl die technischen als auch die geschäftlichen Herausforderungen gelöst werden. Anhand einer Analogie zu einem Restaurant stellen wir 6 organisatorische Erfolgskriterien vor, um Ihre KI-Praxis objektiv zu bewerten. In einem weiteren Blogbeitrag zeigen wir anhand dieses Rahmens, wie Sie Ihre KI-Kompetenz in einem einfachen 3-Schritte-Prozess verbessern können.

Die Zielgruppe für diesen Blog sind Data Science Manager oder technische Teamleiter, die nach konkreten Tools zur Verbesserung ihrer Praxis suchen.

Sie werden vielleicht denken, dass die Analogie, die wir jetzt vorstellen, die Dinge zu sehr vereinfacht, und das tut sie auch. Aus unserer Beratungserfahrung wissen wir jedoch, dass eine solch einfache Analogie sehr hilfreich ist, um eine Diskussion darüber anzustoßen, was Sie organisatorisch richtig oder falsch machen. Schließlich ist ein Restaurant etwas, mit dem sich jeder identifizieren kann.

Eine Pizza-Analogie

Dieser Blog baut auf einer bestehenden Pizza-Analogie über Data Science von Cassie Kozyrkov auf. In ihrem Beitrag auf Hackernoon argumentiert sie, dass der Hauptgrund, warum Unternehmen beim maschinellen Lernen scheitern, darin liegt, dass sie die falsche Art von Datenwissenschaftlern einstellen. Sie weist darauf hin, dass viele Unternehmen am Ende Forscher für maschinelles Lernen einstellen, anstatt Leute, die bestehende Techniken des maschinellen Lernens auf einen Unternehmensbereich anwenden.

Um ihren Standpunkt zu verdeutlichen, führt sie eine aufschlussreiche Pizza-Analogie ein, um die verschiedenen Schritte der Datenwissenschaft aus einer technischen Perspektive zu erklären. Um eine köstliche Pizza (d.h. ein wertvolles Produkt) zu backen, brauchen Sie ein Rezept (Modell oder Formel), das Ihnen sagt, wie Sie Ihre Zutaten (Daten) mit welchen Geräten (Algorithmen) zubereiten. Sie stellt dann fest, dass viele Unternehmen Wissenschaftler eingestellt haben, die neue Algorithmen (Geräte / Öfen) entwickeln wollen, anstatt bestehende Algorithmen zu nutzen, um neue Rezepte für Datenprodukte zu erstellen.

Abbildung 1: Eine Analogie zur Erklärung der Datenwissenschaft von Cassie Kozyrkov. Sie erklärt, wie verschiedene Elemente der Datenwissenschaft zusammenkommen, um das Endergebnis zu erreichen: Vorhersagen.

Stellen Sie sich das in einem Restaurant vor: Anstatt einen Koch einzustellen, der weiß, wie man einen Ofen benutzt, um großartige Pizzen zu machen, haben Sie jetzt einen Elektroingenieur, der einen neuen Ofen erfinden wird... Können Sie sich vorstellen, dass das Ihrem Restaurant nicht helfen wird...?

Kozyrkov kommt zu dem Schluss, dass Sie für den Betrieb einer Großküche ein interdisziplinäres Team benötigen, zu dem Entscheidungsträger, Fachexperten und Sozialwissenschaftler gehören. Diese Leute werden einem Datenwissenschaftler dabei helfen, das Richtige zu tun, was wahrscheinlich nicht die Erfindung neuer Algorithmen ist (es sei denn, Sie sind Google).

Bei GoDataDriven stimmen wir diesem Punkt zu. Wir sehen jedoch, dass selbst mit einem solchen interdisziplinären Team viele Unternehmen beim maschinellen Lernen scheitern. Im nächsten Abschnitt dieses Blogs möchten wir daher dankenswerterweise ihre Küchenanalogie erweitern, um zu veranschaulichen, was einige der anderen Fehlermöglichkeiten sind und wie sie gemessen und behoben werden können.

Die Restaurant-Analogie

Erfolgreiche Datenwissenschaft ist mehr als nur "Pizzabacken". Wir müssen uns mit Kunden, Mitarbeitern und der Dynamik am Arbeitsplatz auseinandersetzen. Außerdem dürfen wir nicht vergessen, dass die KI-Pizzen, die wir backen, am Ende auch verkauft werden müssen, um ein rentables Geschäft zu betreiben. Dieser Fokus auf Rentabilität ist es, der die Restaurant-Analogie zu einer guten Darstellung der Realität macht; etwas Wertvolles muss dabei herauskommen.

Um also besser zu verstehen, wann KI-Produkte erfolgreich vom Unternehmen angenommen und genutzt werden, müssen wir Organisationen als Ganzes betrachten.

Abbildung 2 zeigt, wie Organisationen oft organisiert sind:

• Auf der einen Seite haben wir die Küche (um beim Vergleich mit der Pizzeria zu bleiben), die die KI-Produkte zubereitet. Dies ist oft eine eigene (isolierte) Abteilung, die manchmal "Data Lab" oder "Innovation Hub" genannt wird. Im schlimmsten Fall ist dieses Team in der IT-Abteilung versteckt und seine Innovationen erreichen den Rest des Unternehmens nie wirklich.
• Auf der anderen Seite haben wir den Servicebereich, in dem KI-Produkte zur Wertschöpfung eingesetzt werden sollten. Hier werden die Pizzen verkauft und die Einnahmen erzielt. In der Praxis wird diese Seite oft als "das Geschäft" oder die "Arbeitsfläche" bezeichnet und ihre Mitarbeiter als "Betriebspersonal" betrachtet.

Abbildung 2: Die Mitarbeiter in der Küche und im Servicebereich eines Restaurants müssen zusammenarbeiten, um ein erfolgreiches Geschäft zu führen. In der Praxis sehen wir jedoch oft, dass diese beiden Seiten eines Unternehmens ziemlich isoliert voneinander sind.

Leider stellen wir oft fest, dass die Trennung buchstäblich so aussieht: Geschäftsleute und Datenwissenschaftler arbeiten in verschiedenen Räumen mit Wänden dazwischen. In einer solchen Situation ist es leicht zu verstehen, dass es zu Missverständnissen kommt. Um nur einige der Probleme zu nennen, die wir in solchen Situationen häufig sehen:

• Was auch immer die Köche zubereiten, ist nicht das, was Ihre Kunden wollen (= mangelndes Verständnis der geschäftlichen Bedürfnisse).
• Ihre Servicemitarbeiter verstehen die neuen glänzenden Gerichte, die aus der Küche kommen, nicht und zögern, sie zu verkaufen oder anzunehmen (= mangelndes Technologieverständnis).
• Ihre Servicemitarbeiter sind sich vielleicht nicht einmal der Tatsache bewusst, dass es ein KI-Team gibt und was KI tatsächlich für sie tun kann (= Unwissenheit).
• Oft sind die Servicemitarbeiter so sehr mit ihrer normalen Routine beschäftigt, dass sie keine Zeit haben, sich mit dem neuen KI-Menü vertraut zu machen (= keine Zeit für Innovationen).
• Der Restaurantleiter hat nicht wirklich eine Vision, welche Art von KI-Gerichten verkauft werden soll (= Mangel an Vision und Strategie).

All dies führt zu einer Trennung zwischen der Küche (IT / Data Science) und dem Servicebereich (Business / Operations). Im wirklichen Leben sehen wir oft, dass mehr als eines der oben genannten Dinge schief läuft. Und die weiße Tür, die den Küchen- und den Servicebereich in Abbildung 2 trennt, bleibt oft fest verschlossen. In den extremsten Fällen gibt es nicht einmal eine Tür, da sich IT und Business buchstäblich in verschiedenen Gebäuden befinden. Hinzu kommt, dass die Arbeit aus der Ferne (aufgrund von COVID-19) es noch schwieriger macht, den Überblick zu behalten.

Um diese Lücke zu schließen, wurde eine neue Rolle eingeführt: der Analytics Translator. Diese Rolle wurde 2018 ins Leben gerufen und hat den einzigen Zweck, dafür zu sorgen, dass beide Parteien synchron sind, so dass am Ende wertvolle KI-Produkte geliefert werden. Glücklicherweise organisieren sich heutzutage immer mehr Unternehmen in agilen Teams und positionieren Business und KI eng zusammen.

Wie kann man es besser machen?

Um die Situation zu verbessern, müssen Sie zunächst wissen, wo Sie derzeit stehen. In unserem kostenlosen Whitepaper zur KI-Reife definieren wir 3 Erfolgskriterien sowohl für den Küchen- als auch für den Servicebereich, mit denen Sie den KI-Erfolg Ihres Unternehmens objektiv quantifizieren können.

Aus technischer Sicht können wir Ihre Küche (d.h. Ihr Data Science-Team) anhand der Elemente aus der Pizza-Analogie bewerten:

1. Menschen: Haben Sie gute Köche, die neue Rezepte entwickeln, anstatt neue Modelle?
2. Werkzeuge: Haben Sie die richtigen Werkzeuge und Geräte, um das Kochen zu erleichtern?
3. Daten: Wie werden Ihre Zutaten organisiert und für wertvolle Produkte verwendet?

Da diese drei Themen zusammengenommen das sind, was Sie brauchen, um Analytik/Datenwissenschaft zu betreiben, nennen wir diese Seite der Organisation Ihre analytische Fähigkeit.

Auf der anderen Seite müssen wir quantifizieren, wie das Unternehmen mit der KI-Innovation umgeht. Wir bezeichnen diese Seite als Business Adoption. Auf der Grundlage von Interviews mit unseren Top-Kunden haben wir auch in diesem Whitepaper drei Schlüsselmetriken festgelegt:

1. Unterstützung durch die Geschäftsleitung: Erfolgreiche Unternehmen verfügen über Führungskräfte auf C-Level, die einen Zweck vorgeben, der dann zu einer geschäftlichen Anziehungskraft für Anwendungsfälle für die KI-Fähigkeit führt. KI-Anwendungsfälle, die vom Unternehmen initiiert werden, sind fast immer erfolgreicher als Ideen, die aus der Technologieperspektive vorangetrieben werden.
2. Finanzierung: In erfolgreichen Unternehmen zahlt das Unternehmen für KI-Lösungen. Vielleicht gibt es ein kleines Innovationsbudget, um die frühe Erforschung in Gang zu bringen, aber irgendwann muss es eine Übergabe geben. Alle Initiativen sind wertorientiert.
3. Implementierung. Erfolgreiche Unternehmen verfügen über einen Designprozess, bei dem das Unternehmen an der Initiierung von KI-Initiativen beteiligt ist und diese während der Entwicklung testet. Das Unternehmen ist auch für die Einführung von KI-Produkten im gesamten Unternehmen verantwortlich.

Eine vollständige Liste mit Beispielen für ausgereifte und unausgereifte Verfahren für die oben genannten Kennzahlen finden Sie in unserem kostenlosen Whitepaper.

Abbildung 3: Um mit KI erfolgreich zu sein, müssen sowohl technische als auch geschäftliche Herausforderungen bewältigt werden. Aus unserer Erfahrung und Forschung heraus haben wir 3 Erfolgskriterien für jede Dimension aufgestellt, um die KI-Kompetenz Ihres Unternehmens objektiv zu messen.

Der Punkt ist, dass Sie die Metriken der Analogie entlang der beiden Dimensionen nutzen können, um objektiv festzustellen, was in Ihrem Unternehmen gut läuft und was insgesamt verbessert werden kann. Nicht nur aus technischer Sicht, sondern auch unter Berücksichtigung der geschäftlichen Aspekte.

Mit diesem Rahmenwerk im Hinterkopf ist die Verbesserung Ihrer KI-Kompetenz ein sich wiederholender 3-Schritte-Prozess. Wir ermutigen Sie, eine Selbsteinschätzung vorzunehmen und noch heute damit zu beginnen, die Art und Weise, wie Sie Data Science betreiben, zu verbessern. Alternativ können Sie uns auch bitten, einen schnellen 3-wöchigen AI Maturity Scan für Sie durchzuführen.

Wir hoffen, dass in einer zukünftigen Ausgabe der Analytics Survey mehr als 15% der Unternehmen erfolgreich KI-Produkte implementiert haben, die vom Unternehmen genutzt und angenommen werden.